Python: Quelle est la différence entre les mathématiques.exp et de numpy.exp et pourquoi ne numpy créateurs choisir d'introduire exp nouveau

exp signifie fonction exponentielle

exp dans math module: https://docs.python.org/2/library/math.html

exp dans numpy module: http://docs.scipy.org/doc/numpy/reference/generated/numpy.exp.html

Pourquoi ne numpy créateurs d'introduire cette fonction?

  • Le numpy l'on accepte un tableau, des mathématiques, de la version de travail sur un scalaire type d'objet uniquement. Le numpy exécuter exp sur l'ensemble de la matrice, c'est une méthode vectorielle de l'exécution de la fonction sur l'ensemble de la matrice c'est ce qu'il est conçu pour
  • numpy.exp() peut être appelé sur le tableau et il y a une bonne chance de calcul va être mis en parallèle (comme beaucoup de vecteur / matrice opérations dans numpy). Ce gain est une des principales raisons pour ce genre de bibliothèques en premier lieu.
  • si vous pensez que ma réponse a résolu votre question, pls accepter
InformationsquelleAutor Ka-Wa Yip | 2015-06-08
  1. 27

    La math.exp ne fonctionne que pour les scalaires comme EdChum mentionne. Alors que numpy.exp de travail pour les tableaux.

    Exemple:

    >>> import math
>>> import numpy as np
>>> x = [1.,2.,3.,4.,5.]
>>> math.exp(x)

Traceback (most recent call last):
  File "<pyshell#10>", line 1, in <module>
    math.exp(x)
TypeError: a float is required
>>> np.exp(x)
array([   2.71828183,    7.3890561 ,   20.08553692,   54.59815003,
        148.4131591 ])
>>>

    C'est le même cas pour les autres math fonctions. 

    >>> math.sin(x)

Traceback (most recent call last):
  File "<pyshell#12>", line 1, in <module>
    math.sin(x)
TypeError: a float is required
>>> np.sin(x)
array([ 0.84147098,  0.90929743,  0.14112001, -0.7568025 , -0.95892427])
>>>

    Également se référer à CETTE RÉPONSE pour vérifier comment numpy est plus rapide que math.

    InformationsquelleAutor ThePredator
  2. 7

    math.exp fonctionne sur un numéro unique, le numpy version fonctionne sur les tableaux numpy et est extrêmement rapide grâce aux avantages de la vectorisation. Le exp fonction n'est pas le seul dans ce cas - plusieurs math fonctions ont numpy homologues, tels que sin, pow, etc.

    De considérer les éléments suivants:

    In [10]: import math

In [11]: import numpy

In [13]: arr = numpy.random.random_integers(0, 500, 100000)

In [14]: %timeit numpy.exp(arr)
100 loops, best of 3: 1.89 ms per loop

In [15]: %timeit [math.exp(i) for i in arr]
100 loops, best of 3: 17.9 ms per loop

    La numpy version est ~9x plus rapide (et sans doute peut être effectuée plus rapidement encore, par un choix judicieux de la optimisé bibliothèques de mathématiques)

    Comme @camz états - dessous de la math version sera plus rapide lorsque vous travaillez sur des valeurs uniques (dans un test rapide, ~7,5 x plus rapide).

    • Peut-être intéressant de noter que les maths version sera plus rapide que l'numpy un quand n'est utilisé que sur une seule valeur et non pas un tableau entier.
    InformationsquelleAutor Chinmay Kanchi
  3. 0

    Si vous vectoriser manuellement les mathématiques.exp à l'aide de la carte, il est plus rapide que numpy. Autant que j'ai testé..

    %timeit np.exp(arr)

    500 µs ± 3.37 µs par boucle (moyenne ± std. dev. de 7 pistes, 1000 boucles de chaque)

    %timeit carte(math.exp, arr.)

    148 ns ± 4 ns par boucle (moyenne ± std. dev. de 7 pistes, 10000000 boucles de chaque)

    InformationsquelleAutor Z Che